Development of a natural language processing application to extract and categorize mentions of violence from mental healthcare records text

이 논문은 영국 남동부 런던의 정신건강 진료 기록에서 다양한 형태의 폭력과 관련된 정보를 추출하고 분류하기 위해 다중 레이블 BERT 모델을 활용한 자연어 처리 애플리케이션을 개발하여, 기존 연구보다 폭력 식별 성능을 크게 향상시켰음을 보고합니다.

핵심

이 논문은 **"정신과 진료 기록 속에 숨겨진 폭력의 흔적을 찾아내는 AI 비서"**를 개발한 연구입니다.

기존의 정신과 기록은 주로 의사가 쓴 자유 형식의 글 (문장) 로 되어 있어, 컴퓨터가 자동으로 "폭력"이나 "학대" 같은 중요한 정보를 찾아내기 매우 어려웠습니다. 이 연구팀은 마치 수천 장의 두꺼운 문서 더미 속에서 특정 키워드를 찾아내는 초능력을 가진 AI를 훈련시켜, 그 숨겨진 이야기들을 체계적으로 읽어내는 방법을 만들었습니다.

이 연구의 핵심 내용을 일상적인 비유로 설명해 드리겠습니다.

---

1. 왜 이 연구가 필요했을까요? (문제 상황)

정신과 환자들은 종종 과거의 폭력 경험 (신체적, 성적, 정서적, 금전적 학대 등) 을 이야기합니다. 하지만 의사가 진료 기록을 쓸 때, 이 중요한 내용은 딱딱한 '체크박스'로 남지 않고 의사의 손글씨 (또는 타이핑) 로 된 긴 문장 속에 섞여 있습니다.

• 비유: 마치 거대한 도서관에 폭력 경험이 있는 사람들의 이야기가 수천 권의 책 속에 숨겨져 있는데, 도서관 사서 (컴퓨터) 가 그 책들을 찾아내지 못하고 있는 상황입니다. 연구팀은 이 숨겨진 이야기를 찾아내는 **스마트한 도서관 사서 (AI)**를 만든 것입니다.

2. 무엇을 만들었나요? (해결책)

연구팀은 BERT 라는 이름의 똑똑한 AI 모델을 훈련시켰습니다. 이 AI 는 단순히 "폭력이 있다/없다"라고만 판단하는 게 아니라, 다음과 같은 세부적인 특징까지 읽어낼 수 있습니다.

• 폭력의 종류: 주먹질 (신체적), 성폭력, 말로 하는 상처 (정서적), 돈 문제 (금전적) 등.

• 역할: 환자가 폭력을 **당한 사람 (피해자)**인지, **가한 사람 (가해자)**인지, 아니면 목격자인지.

• 상황: 실제로 일어난 일인지, 위협인지, 아니면 과거의 일인지.

• 장소: 집안일 (가족/연인 사이) 인지, 외부인지.

• 비유: 이 AI 는 단순히 "폭력"이라는 단어를 찾는 게 아니라, **"누가, 언제, 어디서, 어떤 종류의 폭력을, 어떻게 당했거나 저질렀는지"**까지 파악하는 수사관과 같습니다.

3. 어떻게 훈련시켰나요? (과정)

AI 를 가르치기 위해 연구팀은 6,500 개의 진료 기록 조각을 준비했습니다.

1. 전문가 교육: 먼저 인간 전문가 (연구자) 들이 이 기록들을 꼼꼼히 읽고 "이건 정서적 학대다", "이건 피해자다"라고 라벨을 붙이는 훈련을 했습니다.
2. AI 학습: 이렇게 사람이 정답을 알려준 데이터를 AI 에게 보여줬습니다. AI 는 "아, 이런 문장 구조는 정서적 학대를 의미하는구나"라고 스스로 패턴을 학습했습니다.
3. 시험: 학습이 끝난 AI 에게 새로운, 아직 보지 못한 기록을 주고 정답을 맞히게 했습니다.

4. 결과는 어땠나요? (성과)

AI 는 놀라운 성과를 보였습니다.

• 성공한 부분: 정서적 학대, 금전적 학대, 신체적 폭력 등을 찾아내는 데 매우 뛰어났습니다. 특히 "집안일 (가족/연인 사이) 일 때 일어난 폭력"을 구분하는 능력도 탁월했습니다.
  • 비유: 이 AI 는 100 점 만점에 80~90 점을 받을 정도로 똑똑해졌습니다.
• 아쉬운 부분: "언제 일어난 일인지 (과거인지 최근인지)"를 구분하는 것은 조금 어려웠습니다.
  • 이유: 진료 기록은 대부분 의사가 과거를 회상하며 적기 때문에, 시간 표현이 모호한 경우가 많아서 AI 가 헷갈린 것입니다. 마치 "옛날에 일어난 일"과 "최근에 일어난 일"을 구분하는 문장이 너무 비슷해서 AI 가 혼란을 겪은 것과 같습니다.

5. 이 연구가 가져올 변화는? (의미)

이 AI 도구를 사용하면, 앞으로 정신과 진료 기록을 분석할 때 폭력 경험과 정신 질환의 관계를 훨씬 더 정확하게 연구할 수 있게 됩니다.

• 비유: 과거에는 폭력 경험을 가진 환자들을 찾기 위해 일일이 수작업으로 책을 뒤져야 했지만, 이제 이 AI 를 사용하면 수천 권의 기록을 순식간에 훑어내어 "폭력 경험이 있는 환자들"을 찾아내고, 그들이 어떤 정신적 고통을 겪는지 연구할 수 있게 된 것입니다.

요약

이 논문은 정신과 진료 기록 속에 숨겨진 폭력의 이야기를 찾아내는 'AI 탐정'을 개발했습니다. 이 AI 는 폭력의 종류와 상황을 아주 잘 파악하지만, '언제' 일어났는지는 조금 더 훈련이 필요합니다. 이 기술은 앞으로 정신 건강 연구와 환자 치료에 큰 도움을 줄 것으로 기대됩니다.

기술 요약

제공된 논문은 정신건강 의료 기록 (EHR) 의 비정형 텍스트에서 폭력 관련 정보를 추출하고 분류하기 위한 자연어 처리 (NLP) 애플리케이션 개발에 관한 연구입니다. 주요 내용을 한국어로 상세히 요약하면 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 폭력과 정신건강의 연관성: 폭력 경험은 정신건강 장애의 위험 요인이 되며, 반대로 정신건강 문제가 폭력의 원인이 되기도 합니다.
• 데이터의 한계: 전자의무기록 (EHR) 은 중요한 정보원이지만, 폭력 발생 여부는 구조화된 데이터로 routinely 기록되지 않고 자유 형식의 텍스트 (Free text) 에만 존재합니다.
• 기존 연구의 부족: 기존 NLP 연구들은 주로 단일 이진 분류 (Binary classification) 에 집중하여 라벨 간의 의존성을 고려하지 못했거나, 특정 유형의 폭력 (예: 신체적, 성폭력) 만 다루어 감정적, 금전적 폭력 및 피해자/가해자 역할, 맥락 (가정 내 여부) 등 복합적인 특성을 포착하는 데 한계가 있었습니다.

2. 방법론 (Methodology)

• 데이터 소스: 영국 남동부 런던의 대규모 정신건강 서비스 제공 기관 (South London and Maudsley NHS Foundation Trust) 의 전자의무기록 (CRIS 플랫폼) 을 사용했습니다.
• 데이터 수집 및 전처리:
  • '폭력', '공격', '학대' 등 관련 키워드와 '감정적 학대', '금전적 학대' 등의 어구를 사용하여 텍스트 세그먼트를 추출했습니다.
  • 총 6,685 개의 잠재적 폭력 언급 사례를 수집하여 최종적으로 6,500 개의 데이터 세그먼트를 분석 대상으로 선정했습니다.
• 데이터 주석 (Annotation):
  • 2 명의 평가자가 사전 정의된 코딩 가이드라인에 따라 데이터를 독립적으로 주석했습니다.
  • 주석 항목: 폭력 유형 (감정, 금전, 신체, 성폭력, 미지정), 환자 역할 (피해자, 가해자, 목격자), 극성 (Affirmed, Negated, Abstract), 존재 여부 (실제, 위협, 불명확), 시간성 (과거, 비과거), 설정 (가정 내, 비가정 내).
  • 평가자 간 일치도 (Cohen's Kappa) 는 0.78~0.84 로 높았습니다.
• 모델 개발:
  • 모델 아키텍처: 다중 레이블 분류를 위한 BERT (Multi-label BERT) 모델을 사용했습니다.
  • 학습 전략: 주석된 데이터의 90% 를 학습/검증용 (5-fold 교차 검증) 으로, 10% 를 블라인드 테스트용으로 분리했습니다.
  • 데이터 균형: 학습 데이터는 환자의 성별, 인종, 연령대에 따라 균형을 맞추어 편향을 최소화했습니다.

3. 주요 결과 (Results)

블라인드 테스트 세트 (651 개) 에서 모델의 성능은 다음과 같았습니다 (F1 점수 기준):

• 성공적인 분류:
  • 폭력 유형: 감정적 폭력 (0.89), 금전적 폭력 (0.88), 신체적 폭력 (비성적, 0.84), 미지정 폭력 (0.81) 에서 높은 성능을 보였습니다. (성폭력은 0.67 로 상대적으로 낮았으나 정밀도는 높았습니다.)
  • 환자 역할: 가해자 (0.89), 피해자 (0.84) 식별이 우수했습니다.
  • 기타 특성: 실제 폭력 발생 여부 (0.95), 긍정적 극성 (Affirmed, 0.89), 가정 내 폭력 (Domestic, 0.88) 식별이 매우 정확했습니다.
• 성공하지 못한 영역:
  • 시간성 (Temporality): 과거 폭력 식별 성능이 낮았습니다 (F1=0.65). 이는 임상 기록이 대부분 과거형으로 작성되어 시간적 맥락 파악이 어렵기 때문입니다.
  • 목격자 (Witness) 및 역할 중첩: 데이터가 부족하여 목격자 식별이나 복합 역할 (예: 동시에 피해자이자 가해자) 식별은 성능이 미흡했습니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

• 기술적 혁신: 기존에 분리되어 있던 폭력 유형, 역할, 맥락 등을 통합적으로 분석하는 다중 레이블 분류 모델을 최초로 개발하여, 폭력 경험의 복잡한 특성을 포착하는 데 성공했습니다.
• 범위 확장: 기존 연구에서 다루지 않았던 감정적 폭력과 금전적 학대를 포함하여 폭력의 스펙트럼을 확장했습니다.
• 연구 및 임상적 활용:
  • 대규모 임상 데이터를 기반으로 폭력과 다양한 정신건강 질환 간의 연관성을 규명할 수 있는 새로운 가능성을 열었습니다.
  • 향후 연구 및 감시 (Surveillance) 를 통해 폭력 노출 요인을 더 정밀하게 추적할 수 있게 되었습니다.
  • 임상 기록의 품질 향상을 유도하여, 폭력 관련 정보가 더 체계적으로 기록되도록 하는 선순환 구조를 기대할 수 있습니다.

5. 결론 및 한계

이 연구는 정신건강 기록에서 폭력을 구조화된 데이터로 변환하는 NLP 기술의 중요한 발전을 이루었습니다. 특히 다차원적인 폭력 특성을 동시에 추출하는 데 성공했으나, 시간적 요소 (언제 발생했는지) 와 목격자 상황 식별은 여전히 과제로 남아있습니다. 또한, 임상 기록의 특성상 환자가 경험한 폭력이 실제 사건인지 망상인지 구분하지 않고 주석했다는 점은 향후 연구에서 고려해야 할 중요한 제한 사항입니다.

전반적으로 이 연구는 정신건강 데이터 기반의 폭력 연구와 임상 개입을 위한 강력한 도구를 제공한다는 점에서 큰 의의가 있습니다.